大家好，欢迎来到 的编程教室 ！
近日，因大规模封号及关闭Plus付费会员的申请引发大家热议。
有网友说这是因为计算资源不够了，已经不单是靠钱能解决得了的问题，地球上已经没有足够的算力来满足的运行需求了。
AI的发展真的会被算力所限制吗？它和芯片又有怎样的关系？
01
芯片：算力决定智力
AI的“三驾马车”是数据、算法和算力。
我们将数据送入AI算法，由算法学习数据中的规律，这意味着要进行无数次运算。运算的背后是芯片提供的算力支持。
如果我们回顾AI算法的发展历史，可以发现，AI算法的发展史同样也是芯片公司的发展史。
从1999年的第一颗GPU，到2008年公司推出的第一颗可用于AI的GPU——Tegra，再到最近几年涌入AI领域的、百花齐放的各类芯片方案（例如，基于AVX-512指令集扩展的Intel至强CPU，全新的Volta GPU架构，赛灵思的Vitis AI推理平台），算力的提高极大地提高了AI的智力水平，让AI可以解决更加复杂、多样化的问题，也为我们进入AIGC时代铺平道路。
可以看到，在过去的20年中，数据的规模、算法的参数量、芯片的算力三者相辅相成，共同将AI推动到了当前阶段，衍生出了不同类型的AIGC。
因此，本文就以2023年的巨星级产品为例来说明芯片是如何为AIGC提供算力的。
的参数量达到了1750亿个量级。展现出的超强智力的背后是昂贵、巨量的算力资源。
让我们问两个问题，用它的回答来开始这一节的叙述（如图1和图2所示）。
图1
图2
下面从两个角度来解释AIGC和芯片的关系：①在AIGC领域中，现在用什么芯片？②随着AIGC的发展，对芯片会有什么新的需求？
02
在AIGC领域中，现在用什么芯片
1．何为“训练（）”和“推理（）”
是通过“训练”得到答案的，那么什么是“训练”？
AIGC的实现过程分为两个环节：训练和推理。
训练是用大规模的数据来训练出复杂的神经网络模型。
通过对数据的标记，以及深度学习中的监督（），使最终得到的神经网络模型具有训练者需要的、特定的功能。
在具体的实现过程中，大数据作为输入源，经过神经网络算法解算，可以得到一个输出结果。
显然，这种单向的计算，对神经网络模型的构建起不到作用。我们需要构建一个反向的、从输出到输入的机制，才能形成负反馈，调整神经网络模型，达到“训练”的效果。
这个反向的机制可以是有监督学习（ ），即算法工程师给出参数，或者无监督学习（ ），让算法通过自回归或自编码器来对输入信息进行学习。
推理是利用训练好的模型，通过输入新数据来获取结论。
因此，通俗地讲，“训练”的实质就是计算—反馈—调整—计算的往复过程，这一过程在不同的模型中有不同的实现方式；“推理”的实质是针对某个应用场景的输入—计算—输出的过程。
显而易见，训练所需要的计算量和算力资源是远大于推理的，而推理所需要考虑的，除了算力本身，还有功耗、成本，以及与应用场景的匹配。
AI芯片通常有以下3种类别：云端训练芯片、云端推理芯片、端侧推理芯片。其代表公司见表1。
表1
可以注意到，由于训练对算力的要求极高，芯片的功耗较大，因此训练往往放在云端，并没有“端侧训练芯片”。
2．云端训练芯片：是怎样“练”成的
的“智能”感是通过使用大规模的云端训练集群实现的。
目前，云端训练芯片的主流选择是公司的GPU A100。GPU（ Unit，图形处理器）的主要工作负载是图形处理。
GPU与CPU不同。从传统意义上来说，CPU作为一个通用处理器而存在，可以全面承担调度、计算和控制任务。
GPU的内核更小、更专用，例如在图像渲染中涉及大量的矩阵乘法和卷积运算，为了满足计算负载要求，GPU拥有CPU所不具备的大规模并行计算架构。根据公司官网的描述，CPU和GPU的区别见表2。
表2
（1）始于1985年，从VPU到GPU。
最早的图形处理器是1985年ATI公司（2006年被AMD公司收购）发布的一款芯片。当时，ATI公司并未将其命名为GPU，而是叫VPU（Video Unit，视频处理器），直到AMD公司收购ATI公司，它们的产品名称才更改为GPU。
图3所示为ATI公司于1986年发布的-A图形处理器产品。
图3
“GPU”这个名字实际上来源于1999年公司将其发布的 256命名为GPU。随着公司的发展，GPU也与图形处理器概念等同，成了现代计算芯片的一大类型。
图4所示为公司的GPU A100的照片。
图4
虽然GPU是为图像处理而生的，但深度学习的计算类型和图形渲染有很多的共通点。在图形渲染中，芯片需要不停地计算移动对象的轨迹，这需要大量的并行数学运算，而机器学习/深度学习涉及大量的矩阵/张量运算。因此，GPU的并行处理架构也能够很好地满足AI计算的要求。
（2）2006年，跨时代的计算平台CUDA。
仅有芯片层面的配置是不够的，软件接口的适配及生态的构建也非常重要。这就不得不提到统一计算设备架构（ ，CUDA）。
2006年，公司首次推出CUDA。从这个词组本身的设计上可以看出，CUDA的最初开发人员是希望CUDA能成为不同平台之间的统一计算接口。
到目前为止，CUDA已经成为连接公司所有产品线的通用平台，上面沉淀了非常全面的API和算法框架库。
因此，CUDA生态成了公司面对其他GPU厂商时，最大的竞争优势之一。
那么，是不是所有的训练任务都只能够由公司的GPU来做？
虽然目前公司的GPU是训练芯片的主流选择，但答案是否定的，就像在本文开头的回答：“并不固定使用某一种芯片，而是根据模型训练的具体需求，选择适当的计算平台”。
这里尝试使用表3来阐释训练芯片的选择。
表3
3．云端推理芯片：与云端的对话
按照AI芯片的分类，我们使用AIGC应用的过程本质上是一个推理过程。例如，在与对话时，我们输入一句话，这句话经过算法的运算，输出一个结果，这就是我们看到的回答。
因此，人们在使用这种AIGC应用（推理）时，理论上，对芯片的性能要求不需要像训练那么高。
以当前的应用场景为例，目前运行在云端，用户每一次与它对话都是一次推理过程。这个过程目前运行在的计算集群——Azure AI超算平台上，这是微软在2020年开发者大会上公布的拥有28.5万个CPU核心、1万个GPU，每个GPU拥有400Gb/s网络带宽的超级计算机。
虽然推理对算力的要求比训练稍低，但需要的算力资源仍然非常夸张。不过，由于两者计算的实质不同，训练本身类似于大力出奇迹，而推理是一个应用的过程，因此推理更容易被优化和加速。未来，AIGC应用所需的云端推理资源将会大幅降低。
4．端侧推理芯片：从云端芯片到终端芯片
目前，我们还不能在端侧运行这样的LLM，原因有以下几个方面：
随着LLM的进一步完善，未来我们有可能将它下载到终端，用终端的计算资源来运行，这样就可以实现离线运算。经过优化后的算法，对终端芯片的性能要求可能不会特别高。PC芯片，无论是Intel的还是Apple的M系列芯片，都可以承担这样的推理任务。
图5所示为Intel的酷睿处理器。
图5
随着AIGC应用逐渐成熟，成本进一步降低，它与IoT场景的结合将会进一步深入。
03
随着AIGC的发展，对芯片会有什么新的需求
芯片界有两个很有意思的定律，即摩尔定律和安迪-比尔定律。
前者是指集成电路上可容纳的晶体管数目约每18个月便会增加一倍。
后者来源于20世纪90年代计算机会议上的一个小笑话，“安迪给的，比尔就会拿走”，安迪是Intel的前任CEO安迪·葛洛夫，比尔是微软的CEO比尔·盖茨。这句话的意思是新的软件总会耗尽硬件所提高的计算能力。
因此，云端芯片的计算能力将会继续提高，展现方式可能是现有硅基芯片的继续迭代，也有可能是存算一体、光计算、量子计算的突破。
由于芯片的成本过高，软件侧和硬件侧都会努力降低对算力的需求。我们已经看到类似的事情在不断发生：在硬件侧，例如谷歌针对神经网络计算开发了名为TPU的专用芯片，其在特定场景下的运行成本大幅低于同等性能的GPU；在软件侧，作为一个对话模型，是专门为聊天而设计的，而GPT-3是一个大型通用语言模型。
目前，并未公布的参数规模，但我们可以从的兄弟模型——上观察到软件优化对计算资源的节省。
图6展示了和GPT-3参数规模的区别。
（a） （b）
图7-6
在对话场景中， 仅使用了精选的 13 亿个参数［如图6（a）所示］就达到了与GPT-3使用千亿个量级的参数［如图6（b）所示］）结果相当甚至更好的回复质量。这意味着精选数据质量，深挖模型，将会有巨大的降本潜力。
在我们可见的未来，基础算力的提高和负载资源的节约将会同时发生，而两者究竟会擦出什么样的火花，十分值得期待。
2．成本降低迫在眉睫
虽然一炮而红，但是其高昂的运营成本是其大规模产业化应用的最大障碍之一。
业界已经充分关注到了的成本问题，并提出各个方向的优化措施：①硬件侧：公司的A100的升级版H100显卡能提供更高性价比的算力；Intel在 2022大会上公布的新款云端AI专用芯片 Gaudi 2和Greco，有可能针对的场景做了特质化加速。②软件侧：以-AI（潞晨科技的AI大模型开发系统）为例，其宣称能使 模型的显存消耗降低至之前的1/46。
本文节选自《一本书读懂AIGC：、AI绘画、智能文明与生产力变革》一书。
欢迎阅读本书系统地了解AIGC！
现在购买可享5折优惠！
现在购买可享5折优惠！
423阅读狂欢节
全场5折起
活动时间：2023.4.6-2023.4.23
扫描下方二维码还可以领取叠加优惠券哦！
优惠券限京东自营大部分图书使用，具体情况以实际提示为准。
发表回复